161 articles
Cet article propose une méthode statistique innovante, baptisée « Clusters-of-Centres », qui utilise des tests de Cochran multivariés et un algorithme de bootstrap multi-tours sur des données résumées pour détecter l'hétérogénéité entre centres et identifier de manière fiable leurs regroupements naturels.
Cet article établit un cadre géométrique basé sur les fibrés principaux pour analyser les limitations fondamentales et les opportunités de l'apprentissage des équations différentielles régissant l'évolution des réseaux temporels modélisés par des graphes à produit scalaire aléatoire, en démontrant que la structure dynamique peut résoudre l'ambiguïté de jauge tout en révélant un lien inextricable entre la difficulté géométrique et statistique.
Cet article propose une théorie minimax pour la régression non paramétrique sous décalage de covariables, introduisant une fonction de transfert qui révèle des régimes de convergence variés, incluant des taux accélérés dépassant la meilleure des sources unique, et ce même pour des covariables à support non borné.
Ce papier propose une nouvelle méthode expérimentale appelée « Artificial Replay » qui permet de comparer efficacement des algorithmes de bandit manchot en réutilisant les données d'une première exécution, réduisant ainsi considérablement les coûts d'interaction tout en garantissant un estimateur non biaisé et à variance sous-linéaire.
Cet article établit la consistance et la normalité asymptotique de l'estimateur de Whittle pour les modèles CARMA pilotés par un processus de Lévy et observés à des instants de renouvellement, en démontrant la normalité asymptotique de la période intégrée sous des conditions très faibles.
Cet article propose un jeu dynamique bayésien hiérarchique pour la gestion concurrentielle des stocks et des prix en situation d'information incomplète, intégrant un apprentissage bayésien, une mise à jour stratégique des croyances et un critère de risque crédible pour établir un équilibre conservateur robuste face à l'incertitude.
Cet article établit des inégalités oracle non asymptotiques et des taux de convergence minimax optimaux pour l'estimation parcimonieuse de la dérive de processus d'Ornstein-Uhlenbeck pilotés par un bruit de Lévy à partir d'observations discrètes, en démontrant l'efficacité des estimateurs Lasso et Slope même en présence de mécanismes de bruit purement sauts.
Cet article démontre que les réseaux bayésiens fidèles constituent un ensemble ouvert et dense (donc « typique ») dans diverses classes paramétriques et non paramétriques, y compris celles avec des variables latentes, garantissant ainsi la consistance des algorithmes de découverte causale comme PC et FCI sur un ensemble de paramètres de mesure de Lebesgue pleine.
Cet article propose une méthode d'évaluation sans arbitrage pour les réassurances de type « stop-loss » contre les catastrophes, en modélisant les sinistres par un processus de contagion dynamique composé et en utilisant la transformée d'Esscher pour déterminer des primes adaptées aux risques émergents tels que le changement climatique et les cyberattaques.
Cet article établit des garanties théoriques pour l'estimation de distributions par Flow Matching en contrôlant la constante de Lipschitz du champ vectoriel, permettant ainsi de dériver un taux de convergence amélioré pour la distance de Wasserstein 1 dans des contextes de haute dimension et sans hypothèse de log-concavité.
Cet article établit de nouveaux résultats asymptotiques pour l'estimateur LASSO adaptatif dans les régressions de cointégration avec des régresseurs locaux à l'unité, en démontrant que les régions de confiance proposées, contrairement aux approches basées sur la propriété oracle, offrent une couverture uniforme fiable et sont facilement applicables en pratique.
Cet article établit des seuils informationnels optimaux pour la détection de géométrie latente dans des graphes géométriques aléatoires bipartis soumis à un masquage d'arêtes, en démontrant l'absence d'écart computationnel-statistique grâce à une nouvelle méthode d'analyse de Fourier qui améliore les bornes précédentes.
Cet article comble une lacune dans la théorie des intégrales de type Laplace en haute dimension en établissant une expansion asymptotique explicite avec des bornes de reste quantitatives qui restent valables jusqu'au seuil de concentration , bien au-delà du régime d'approximation gaussienne traditionnel, tout en fournissant des approximations analytiques pour les espérances et des transports polynomiaux pour l'échantillonnage.
Cet article propose un cadre de régression ridge fonctionnelle basé sur une partition pour traiter la multicolinéarité et le surajustement dans les modèles linéaires fonctionnels de haute dimension, en décomposant les effets fonctionnels pour appliquer une pénalisation différentielle qui améliore la stabilité numérique et l'interprétabilité sans recourir à une sélection explicite de variables.
Ce papier étend la prédiction conforme par e-valeurs au cas où des variables de confusion observées relient l'objet aléatoire à son étiquette , en couvrant à la fois des scénarios de données indépendantes et identiquement distribuées (IID) et des cas autorisant une certaine dépendance entre les observations.
Cet article propose une approche de régression non paramétrique basée sur des réseaux de neurones profonds et le principe de l'entropie minimale de l'erreur pour des observations fortement dépendantes, démontrant que les estimateurs pénalisés et non pénalisés atteignent des taux de convergence minimax optimaux.
Cet article présente l'estimateur « outrigger » par régression polynomiale locale, une méthode adaptative qui modifie l'estimation standard en intégrant la fonction de score conditionnelle des erreurs pour atteindre l'optimalité minimax sur les classes de Hölder sans hypothèses restrictives sur la distribution des erreurs ou l'indépendance des covariables.
Cette étude démontre que les décisions d'approbation basées sur des seuils fixes d'indices de capacité de processus (comme ) souffrent d'une instabilité décisionnelle inhérente et d'un risque de rejet significatif lorsque la capacité réelle se situe près du seuil, en raison de la variabilité stochastique des estimateurs calculés sur des échantillons de taille modérée.
Cet article propose une nouvelle méthode d'inférence semi-modulaire bayésienne pour les modèles de copules, qui attribue un paramètre d'influence individuel à chaque marge pour gérer leur éventuelle mauvaise spécification différenciée, optimisant ainsi ces paramètres via une approche bayésienne et validant la méthode sur des données simulées et réelles.
Cet article développe de nouveaux résultats théoriques et inférentiels pour la distribution Unit Teissier, notamment des expressions fermées pour les moments et les L-moments des statistiques d'ordre, tout en évaluant et en comparant diverses méthodes d'estimation des paramètres via des simulations et une application sur des données réelles.